Una microxarxa és una xarxa elèctrica de distribució a petita escala, formada per sistemes interconnectats de fonts i càrregues d'energia.
Aquestes poden funcionar tant connectades a la xarxa de distribució com de manera aïllada. Solen incloure fonts d'energia renovables, que poden anar des d'un conjunt de llars amb plaques fotovoltàiques a tota una ciutat amb generació solar, eòlica i sistemes d'emmagatzematge d'energia..
Quan es produeix un tall de subministrament a la xarxa de distribució, recuperar el servei en una microxarxa és més complex que en una xarxa convencional, on un distribuïdor pot actuar simplement sobre interruptors o seccionadors-interruptors.
L'aplicació del machine learning en la gestió de recuperare la càrrega després d'una avaria és clau per agilitzar aquest procés. El machine learning, com a tècnica d'aprenentatge automàtic, permet als models aprendre mitjançant la interacció amb l'entorn, optimitzant la gestió de la microxarxa en funció de múltiples variables.
Considerant factors com el cost de funcionament dels generadors de combustible i la intermitència de les fonts renovables, la gestió d'una microxarxa esdevé un problema d'optimització complex. La combinació de càrregues connectades a fonts renovables i sistemes d'emmagatzematge d'energia és essencial per mantenir l'estabilitat en mode illa, la qual cosa explica la dificultat d'energitzar una microxarxa des de zero.
Actualment, molts distribuïdors utilitzen el model de control predictiu (MCP) per prendre decisions durant el procés de recuperar-se desprès d'una avaria de cert abast. No obstant això, aquest model requereix una previsió d'alta qualitat que no sempre està disponible.
Per a una restauració eficient, cal utilitzar la previsió meteorològica per estimar la disponibilitat de les fonts renovables, així com la previsió de la demanda per calcular el consum de potència de les càrregues.
Un disseny de machine learning per a la gestió de microxarxes ha de tenir en compte les limitacions operatives durant el procés d'energització. És essencial garantir la seguretat operativa, evitar que els dispositius d'emmagatzematge d'energia emmagatzemin i produeixin simultàniament, i optimitzar tant la quantitat màxima de càrregues restaurades com el consum mínim de combustible pels generadors.
El procés d'entrenament d'aquests models pot començar amb accions aleatòries. Després de cada acció, es reavalua l'entorn per comparar els resultats amb els objectius i ajustar les decisions futures. Per optimitzar la restauració de la càrrega, el model ha de calcular la quantitat de càrrega restaurada i el cost associat, ajustant contínuament les accions per millorar l'eficiència i la rapidesa del procés.
Ramon Gallart.
Cap comentari:
Publica un comentari a l'entrada